Buchumschlag

RAP: Retrieval-Augmented Planner for Adaptive Procedure Planning in Instructional Videos

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Zare, Ali, Niu, Yulei, Ayyubi, Hammad, Chang, Shih-fu
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Computer Vision and Pattern Recognition Artificial Intelligence Robotics
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

SCHEMA: State CHangEs MAtter for Procedure Planning in Instructional Videos
von: Niu, Yulei, et al.
Veröffentlicht: (2024)

SDA-PLANNER: State-Dependency Aware Adaptive Planner for Embodied Task Planning
von: Shen, Zichao, et al.
Veröffentlicht: (2025)

PuzzleGPT: Emulating Human Puzzle-Solving Ability for Time and Location Prediction
von: Ayyubi, Hammad, et al.
Veröffentlicht: (2025)

RoomTour3D: Geometry-Aware Video-Instruction Tuning for Embodied Navigation
von: Han, Mingfei, et al.
Veröffentlicht: (2024)

RAP: 3D Rasterization Augmented End-to-End Planning
von: Feng, Lan, et al.
Veröffentlicht: (2025)

RAG-3DSG: Enhancing 3D Scene Graphs with Re-Shot Guided Retrieval-Augmented Generation
von: Chang, Yue, et al.
Veröffentlicht: (2026)

Large Trajectory Models are Scalable Motion Predictors and Planners
von: Sun, Qiao, et al.
Veröffentlicht: (2023)

Detecting Multimodal Situations with Insufficient Context and Abstaining from Baseless Predictions
von: Liu, Junzhang, et al.
Veröffentlicht: (2024)

What Matters for Scalable and Robust Learning in End-to-End Driving Planners?
von: Holtz, David, et al.
Veröffentlicht: (2026)

RAAP: Retrieval-Augmented Affordance Prediction with Cross-Image Action Alignment
von: Zhuang, Qiyuan, et al.
Veröffentlicht: (2026)

Video Summarization: Towards Entity-Aware Captions
von: Ayyubi, Hammad A., et al.
Veröffentlicht: (2023)

OmniEVA: Embodied Versatile Planner via Task-Adaptive 3D-Grounded and Embodiment-aware Reasoning
von: Liu, Yuecheng, et al.
Veröffentlicht: (2025)

This&That: Language-Gesture Controlled Video Generation for Robot Planning
von: Wang, Boyang, et al.
Veröffentlicht: (2024)

NovaPlan: Zero-Shot Long-Horizon Manipulation via Closed-Loop Video Language Planning
von: Fu, Jiahui, et al.
Veröffentlicht: (2026)

ENTER: Event Based Interpretable Reasoning for VideoQA
von: Ayyubi, Hammad, et al.
Veröffentlicht: (2025)

Towards Unified World Models for Visual Navigation via Memory-Augmented Planning and Foresight
von: Dong, Yifei, et al.
Veröffentlicht: (2025)

WIDIn: Wording Image for Domain-Invariant Representation in Single-Source Domain Generalization
von: Ma, Jiawei, et al.
Veröffentlicht: (2024)

MapGPT: Map-Guided Prompting with Adaptive Path Planning for Vision-and-Language Navigation
von: Chen, Jiaqi, et al.
Veröffentlicht: (2024)

RoboVIP: Multi-View Video Generation with Visual Identity Prompting Augments Robot Manipulation
von: Wang, Boyang, et al.
Veröffentlicht: (2026)

Efficient Robotic Policy Learning via Latent Space Backward Planning
von: Liu, Dongxiu, et al.
Veröffentlicht: (2025)

Robotic Visual Instruction
von: Li, Yanbang, et al.
Veröffentlicht: (2025)

RDD: Retrieval-Based Demonstration Decomposer for Planner Alignment in Long-Horizon Tasks
von: Yan, Mingxuan, et al.
Veröffentlicht: (2025)

Neural MP: A Generalist Neural Motion Planner
von: Dalal, Murtaza, et al.
Veröffentlicht: (2024)

VLA-Pro: Cross-Task Procedural Memory Transfer for Vision-Language-Action Models
von: Si, Shengyu, et al.
Veröffentlicht: (2026)

Unseen from Seen: Rewriting Observation-Instruction Using Foundation Models for Augmenting Vision-Language Navigation
von: Wei, Ziming, et al.
Veröffentlicht: (2025)

MotIF: Motion Instruction Fine-tuning
von: Hwang, Minyoung, et al.
Veröffentlicht: (2024)

Vega: Learning to Drive with Natural Language Instructions
von: Zuo, Sicheng, et al.
Veröffentlicht: (2026)

LIAM: Multimodal Transformer for Language Instructions, Images, Actions and Semantic Maps
von: Wang, Yihao, et al.
Veröffentlicht: (2025)

VideoVLA: Video Generators Can Be Generalizable Robot Manipulators
von: Shen, Yichao, et al.
Veröffentlicht: (2025)

IKEA Manuals at Work: 4D Grounding of Assembly Instructions on Internet Videos
von: Liu, Yunong, et al.
Veröffentlicht: (2024)

SLAG: Scalable Language-Augmented Gaussian Splatting
von: Szilagyi, Laszlo, et al.
Veröffentlicht: (2025)

Grounding 3D Object Affordance with Language Instructions, Visual Observations and Interactions
von: Zhu, He, et al.
Veröffentlicht: (2025)

RAP: Retrieval-Augmented Personalization for Multimodal Large Language Models
von: Hao, Haoran, et al.
Veröffentlicht: (2024)

VideoArtGS: Building Digital Twins of Articulated Objects from Monocular Video
von: Liu, Yu, et al.
Veröffentlicht: (2025)

Planning with the Views via Scene Self-Exploration
von: Wang, Kangrui, et al.
Veröffentlicht: (2026)

RAPID: Robust and Agile Planner Using Inverse Reinforcement Learning for Vision-Based Drone Navigation
von: Kim, Minwoo, et al.
Veröffentlicht: (2025)

Less is More: Label-Guided Summarization of Procedural and Instructional Videos
von: Rajpal, Shreya, et al.
Veröffentlicht: (2026)

Sparse Imagination for Efficient Visual World Model Planning
von: Chun, Junha, et al.
Veröffentlicht: (2025)

Robix: A Unified Model for Robot Interaction, Reasoning and Planning
von: Fang, Huang, et al.
Veröffentlicht: (2025)

Gondola: Grounded Vision Language Planning for Generalizable Robotic Manipulation
von: Chen, Shizhe, et al.
Veröffentlicht: (2025)